def evaluar_modelo(funcion, X, Y,popt):
predicciones = funcion(X, *popt)
# Calcular métricas básicas
mse = mean_squared_error(Y, predicciones)
r2 = r2_score(Y, predicciones)
mae = mean_absolute_error(Y, predicciones)
mape = np.mean(np.abs((Y - predicciones) / Y)) * 100
std_residuos = np.std(Y - predicciones)
# Otras métricas adicionales
suma_residuos_abs = np.sum(np.abs(Y - predicciones))
max_error_abs = np.max(np.abs(Y - predicciones))
mean_error_abs = np.mean(np.abs(Y - predicciones))
# Métricas adicionales
suma_residuos_cuad = np.sum((Y - predicciones)**2)
mediana_residuos = np.median(Y - predicciones)
percentil_90 = np.percentile(Y - predicciones, 90)
varianza_residuos = np.var(Y - predicciones)
suma_cuad_residual_abs = np.sum(np.abs((Y - predicciones)) ** 2)
min_error_abs = np.min(np.abs(Y - predicciones))
skew_residuos = scipy.stats.skew(Y - predicciones)
kurtosis_residuos = scipy.stats.kurtosis(Y - predicciones)
coef_variacion_residuos = np.std(Y - predicciones) / np.mean(Y - predicciones)
error_cuadratico_medio = np.sqrt(np.mean((Y - predicciones) ** 2))
metricas = {
"MSE": mse,
"R2": r2,
"MAE": mae,
"MAPE": mape,
"STD Residuos": std_residuos,
"Suma Residuos Abs": suma_residuos_abs,
"Max Error Abs": max_error_abs,
"Mean Error Abs": mean_error_abs,
"Suma Residuos Cuadráticos": suma_residuos_cuad,
"Mediana Residuos": mediana_residuos,
"Percentil 90": percentil_90,
"Varianza Residuos": varianza_residuos,
"Suma Cuadrada de los Residuos Absolutos": suma_cuad_residual_abs,
"Min Error Abs": min_error_abs,
"Skewness de los Residuos": skew_residuos,
"Kurtosis de los Residuos": kurtosis_residuos,
"Coeficiente de Variación de los Residuos": coef_variacion_residuos,
"Error Cuadrático Medio": error_cuadratico_medio
}
return metricas
def getMinimosCuadrados(funcion,X,Y):
def residuals(params, x, y):
return y - funcion(x, *params)
initial_guess = [1,1,1]
result = least_squares(residuals, initial_guess, args=(X, Y))
N0, t0, r = result.x
return result.x
# Establecer la visualización en línea y mejorar la calidad de la imagen
%matplotlib inline
%config InlineBackend.figure_format = 'retina'
def getGrafico2(funcion, X, Y):
# Generar puntos para el ajuste
t_fit = np.linspace(min(X), max(X), 100)
# Obtener los parámetros del ajuste
a,b,c = getMinimosCuadrados(funcion,X,Y)
print(funcion.__name__,a,b,c)
# Evaluar la función ajustada en los puntos de ajuste
metricas = evaluar_modelo(funcion, X, Y,[a,b,c])
N_fit = funcion(t_fit,a,b,c)
# Plotear los datos y el ajuste
plt.figure(figsize=(15, 9)) # Tamaño de la figura
plt.scatter(X, Y, color='blue', label='Datos') # Plotear los datos
plt.plot(t_fit, N_fit, 'r-', label=f'Ajuste {funcion.__name__}') # Plotear el ajuste
plt.xlabel('Tiempo [Años]')
plt.ylabel('DAP [mm]')
plt.legend()
plt.grid(True) # Agregar una rejilla
plt.title('Gráfico de Ajuste') # Título del gráfico
plt.tight_layout() # Ajustar el diseño de la figura para evitar superposiciones
plt.show()
# Obtener métricas del modelo
#metricas = evaluar_modelo(funcion, X, Y, params)
metricas["Funcion"] = funcion.__name__
metricas["b0"] = a
metricas["b1"] = b
metricas["b2"] = c
return metricas
def MODELOS2(X,Y):
d1 = getGrafico2(SWEDA,X,Y)
d2 = getGrafico2(GOMPERTZ,X,Y)
d3 = getGrafico2(LOGISTICA,X,Y)
d4 = getGrafico2(SIGMOID,X,Y)
d5 = getGrafico2(GOMPERTZ2,X,Y)
d6 = getGrafico2(relacionPolimorfica,X,Y)
d7 = getGrafico2(MITSCHERLICH,X,Y)
d8 = getGrafico2(ChapmanRichards,X,Y)
d9 = getGrafico2(HossfeldI,X,Y)
d10 =getGrafico2(Schumacher,X,Y)
d11 =getGrafico2(Weibull,X,Y)
return [d1,d2,d3,d4,d5,d6,d7,d8,d9,d10,d11]
